nếu được quan sát ma trận dữ liệu và là biến tiềm ẩn thìY
Trong đó là giá trị trung bình của dữ liệu được quan sát và là lỗi / nhiễu Gaussian trong dữ liệu và được gọi là không gian con chính.ε W
Câu hỏi của tôi là khi PCA bình thường được sử dụng, chúng ta sẽ có được một tập hợp các hàm riêng trực giao mà sau đây là đúng
Nhưng trong PPCA, không phải là trực giao cũng không phải là hàm riêng. Vậy làm thế nào tôi có thể nhận được các thành phần chính từ ?W
Theo bản năng của tôi, tôi đã tìm kiếm ppca trong MATLAB, nơi tôi bắt gặp dòng này:
Khi hội tụ, các cột của W kéo dài không gian con, nhưng chúng không trực giao. ppca thu được các hệ số trực giao, coeff, cho các thành phần bằng cách trực giao của W.
Tôi đổi mã ppca một chút để có được W , chạy nó và sau orthogonalization tôi đã nhận được P từ W .
Tại sao sự trực giao hóa này lại mang lại cho người bản địa, dọc theo đó phần lớn phương sai sẽ được nhìn thấy?
Tôi giả sử, trực giao hóa cho tôi một tập các vectơ trực giao / trực giao kéo dài không gian con chính, nhưng tại sao ma trận kết quả trực giao này lại bằng với eigenmatrix (tôi biết rằng eigenmatrix trong pca cũng là trực giao)? Tôi có thể giả sử không gian con chính chỉ được kéo dài bởi một tập các vectơ trực giao duy nhất không? Trong trường hợp đó cả hai kết quả sẽ trùng khớp luôn.